深度分析
MosaicLeaks 與 PA‑DR：量化隱私洩漏的深度研究代理人評估
企業研究代理人同時使用本地文件與公開搜尋，會在查詢紀錄留下碎片，導致機密資訊被重組。MosaicLeaks測試顯示僅靠提示無法防止泄漏；PA‑DR以任務與隱私雙重獎勵訓練，將泄漏率從34%降至約10%，且保持高任務成功率。此結果凸顯在模型訓練階段內建隱私機制的重要性。
深度分析
企業研究代理人同時使用本地文件與公開搜尋，會在查詢紀錄留下碎片，導致機密資訊被重組。MosaicLeaks測試顯示僅靠提示無法防止泄漏；PA‑DR以任務與隱私雙重獎勵訓練，將泄漏率從34%降至約10%，且保持高任務成功率。此結果凸顯在模型訓練階段內建隱私機制的重要性。
深度分析
研究顯示社群貼文中微弱線索會累積暴露使用者住家或工作地點，作者提出SopriBench基準與PES評分，並開發訓練無需的Argus框架，提升跨貼文隱私推斷25%效能。此研究提供首個可公開的使用者層級多模態隱私洩漏基準，並以PES衡量暴露嚴重度，Argus在跨貼文推斷上比最佳基線提升0.11分。